首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

脉冲神经网络相对顺序学习与转化算法研究

致谢第5-7页
摘要第7-9页
ABSTRACT第9-11页
1 绪论第18-40页
    1.1 研究背景与意义第19-22页
    1.2 脉冲神经网络简介第22-28页
        1.2.1 脉冲神经元模型第22-24页
        1.2.2 脉冲神经网络的结构第24-27页
        1.2.3 脉冲神经网络的应用第27-28页
    1.3 脉冲神经网络学习算法研究现状第28-33页
        1.3.1 基于误差反向传播的学习算法第28-30页
        1.3.2 基于突触可塑性的学习算法第30-31页
        1.3.3 其他学习算法第31-33页
    1.4 深度脉冲神经网络实现方法研究现状第33-36页
        1.4.1 DNN-to-SNN转化技术第33-35页
        1.4.2 其他实现方法第35-36页
    1.5 论文的技术路线与研究基础第36-37页
        1.5.1 技术路线第37页
        1.5.2 研究基础第37页
    1.6 论文的研究内容与组织架构第37-40页
        1.6.1 主要研究内容第37-38页
        1.6.2 组织结构第38-40页
2 脉冲相对顺序学习第40-66页
    2.1 引言第40-42页
    2.2 脉冲时间学习算法分析第42-43页
    2.3 脉冲相对顺序学习算法第43-54页
        2.3.1 SRM脉冲神经元模型第44-45页
        2.3.2 ROL算法描述第45-48页
        2.3.3 ROL算法基本性能测试第48-54页
    2.4 IRIS数据集实验第54-57页
        2.4.1 脉冲的群编码第55-56页
        2.4.2 实验结果与分析第56-57页
    2.5 MNIST数据集实验第57-61页
        2.5.1 图像的脉冲编码第57-58页
        2.5.2 脉冲的群决策第58-59页
        2.5.3 实验结果与分析第59-61页
    2.6 脉冲神经网络与传统ANN的比较第61-64页
    2.7 本章小结第64-66页
3 低推理延时的深度脉冲神经网络实现方法第66-90页
    3.1 引言第66-67页
    3.2 脉冲网络推理延时与激活值的关系第67-73页
        3.2.1 DNN-to-SNN转化原理第68-69页
        3.2.2 激活值量化第69-73页
    3.3 基于再训练的逐层量化算法第73-79页
        3.3.1 算法框架第74-75页
        3.3.2 量化参数的确定第75-79页
    3.4 实验结果与分析第79-88页
        3.4.1 源网络概览第79页
        3.4.2 逐层量化算法的效果第79-86页
        3.4.3 推理延时比较第86-88页
    3.5 本章小结第88-90页
4 脉冲卷积神经网络实现方法第90-108页
    4.1 引言第90-91页
    4.2 平均池化的脉冲转化第91-95页
        4.2.1 平均池化融合第91-94页
        4.2.2 池化脉冲提升第94-95页
    4.3 最大值池化的脉冲转化第95-98页
        4.3.1 最大值池化融合第96页
        4.3.2 融合后网络的负载分析第96-98页
    4.4 SOFTMAX层的脉冲转化第98-99页
    4.5 实验结果与分析第99-106页
        4.5.1 衰减因子β的影响第100-104页
        4.5.2 池化融合的效果第104-106页
    4.6 本章小结第106-108页
5 总结与展望第108-112页
    5.1 论文研究工作总结第108-110页
    5.2 今后工作展望第110-112页
参考文献第112-121页
攻读学位期间发表/录用的学术论文第121页

论文共121页,点击 下载论文
上一篇:基于硅纳米线波导微腔的光学多参数传感器研究
下一篇:序列遥感影像异常检测的时空模型研究与应用